路口风险预警的方法和装置与流程

本公开总体上涉及智能交通领域，更特别地涉及路口风险预警的方法、装置、设备、计算机可读存储介质和计算机程序产品。

背景技术：

路口是不同道路的交汇点，也是路网中环境最复杂的场景。路口往往成为交通事故的易发地。据数据统计，作为人车密集交汇的地点，路口极易发生碰撞第三者的交通事故，例如，碰撞行人的交通事故、或碰撞非机动车的交通事故。因此，如何有效地提醒路口的风险成为了当前的关注焦点。

技术实现要素：

根据本公开的一些实施例，提供了一种用于路口风险预警的方案。

在本公开的第一方面，提供了一种路口风险预警的方法。该方法包括：确定车辆将行驶通过的路口；获取与车辆相关联的驾驶信息，驾驶信息包括以下中的至少一项：车辆的运动信息或与车辆相关联的驾驶能力信息；以及基于路口的风险级别和驾驶信息，确定车辆行驶通过路口是否存在风险，风险级别指示路口发生事故的可能性；以及如果确定车辆行驶通过路口存在风险，则生成针对路口的风险提醒。

在本公开的第二方面，提供了一种用于路口风险预警的装置。该装置包括：路口确定模块，被配置为确定车辆将行驶通过的路口；驾驶信息获取模块，被配置为获取与车辆相关联的驾驶信息，驾驶信息包括以下中的至少一项：车辆的运动信息或与车辆相关联的驾驶能力信息；以及风险确定模块，被配置为基于路口的风险级别和驾驶信息，确定车辆行驶通过路口是否存在风险，风险级别指示路口发生事故的可能性；以及风险提醒模块，被配置为如果确定车辆行驶通过路口存在风险，则生成针对路口的风险提醒。

在本公开的第三方面，提供了一种电子设备，包括一个或多个处理器以及存储器，其中存储器用于存储计算机可执行指令，计算机可执行指令被一个或多个处理器执行以实现根据本公开的第一方面的方法。

在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机可执行指令，其中计算机可执行指令在被处理器执行时实现根据本公开的第一方面的方法。

在本公开的第五方面，提供了一种计算机程序产品，其包括计算机可执行指令，其中计算机可执行指令在被处理器执行时实现根据本公开的第一方面的方法。

根据本公开的实施例，可以及时地预测以当前的驾驶行为通过前方路口时是否存在风险，并有效地向车辆提供风险提醒。基于这样的方式，可以有效地考虑不同路口之间的区别和/或不同驾驶行为的区别，，从而提高车辆通过路口的安全性，降低事故发生的概率。

提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或必要特征，也无意限制本公开的范围。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素，其中：

图1示出了本公开的实施例能够在其中被实现的示例环境的框图；

图2示出了根据本公开的一些实施例的路口风险预警的过程的流程图；

图3示出了根据本公开实施例的确定车辆将行驶通过的路口的示例过程的流程图；

图4示出了根据本公开实施例的确定路口的风险级别的示例过程的流程图；

图5示出了根据本公开的一些实施例的确定历史事故路口的示例过程的流程图；

图6示出了根据本公开的一些实施例的路口风险预警的装置的框图；以及

图7示出了其中可以实施本公开的一个或多个实施例的电子设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的一些示例实施例。虽然附图中显示了本公开的一些实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

路口是路网中环境最为复杂的场景之一，其往往汇聚了多种不同类型的交通元素，例如，机动车、非机动车和行人等。此外，在路口环境的驾驶中，车辆往往还会受到交通信号灯或特定转向车道的限制。因此，路口已经成为当前交通环境中的事故易发地，尤其是与非机动车的碰撞事故或者是与行人的碰撞事故。

一些传统的方案通过播报风险提醒来使得车辆的驾驶者提高警惕。然而，这样的提醒往往是笼统的。例如，一些传统的方案通过提醒驾驶者“前方即将通过路口，请小心驾驶”。在大部分场景中，驾驶员也能够知晓前方将通过路口，这样的提醒对于驾驶员的提醒效果往往是有限的，其难以有效地提高驾驶员的警惕性。

此外，一些传统的方案往往也没有考虑到不同路口的特点。例如，一些路口可能是因为车速过快而容易发生事故，一些路口可能是因为车辆变道频繁而容易发生事故等。作为一种笼统的提醒方案，传统的提醒方案无法区分不同路口容易发生事故的驾驶行为，并进行针对性的提醒。

有鉴于此，本公开的实施例提出了一种用于路口风险预警的方案。在该方案中，首先，确定车辆将行驶通过的路口，并确定与车辆相关联的驾驶信息。驾驶信息可以包括车辆的运动信息或与车辆相关联的驾驶能力信息。随后基于路口的风险级别和驾驶信息来确定车辆行驶通过路口是否存在风险，如果存在风险，则生成针对路口的风险提醒。

根据这样的方案，在车辆即将通过前方路口的时候，可以根据基于路口的特点和车辆的驾驶特点进行综合性地判断是否存在风险，从而生成个性化的路口风险提醒。基于这样的方式，可以有效地提醒车辆以当前方式通过前方路口则可能存在风险，进而提高车辆行驶的安全性。

以下将继续参考附图描述本公开的一些示例实施例。

图1示出了本公开的实施例能够在其中被实现的示例环境100的框图。如图1所示，环境100中包括即将行驶通过路口110的车辆120。应当理解，仅出于示例性的目的描述环境100的结构和功能，而不暗示对于本公开的范围的任何限制。例如，本公开的实施例还可以被应用到与环境100不同的环境中。应当理解，在本公开中，“路口”是指道路的交汇处，其也可以被称为“道路交叉口”。

如图1所示，路口110被示出为一个十字路口。应当理解，这这样的类型仅是示意性的，路口110还可以是其他任何适当的类型，其示例包括但不限于：十字路口、丁字路口、环岛路口、y字路口、高速匝道汇入口、或高架路会入口等。

根据本公开的实施例，在车辆120即将行驶通过路口110时，服务器130可以获取车辆120的驾驶信息。随后，服务器130可以基于车辆120的风险级别与驾驶信息来确定车辆120行驶通过路口110是否存在风险。如果确定车辆120行驶通过路口110存在风险，则服务器130可以生成针对路口110的风险提醒140。

在一些实现中，风险提醒140可以用于向车辆120的驾驶者提醒以驾驶信息通过前方路口110可能存在风险。例如，风险提醒140可以通过语音的形式来向车辆120的驾驶者进行播报。

在另一些实现中，车辆120也可以是智能驾驶车辆，其可能不具有驾驶者，或者驾驶者未处于操控车辆的状态。在这种情况下，风险提醒140可能以信号的方式被发送至车辆120。在一些实现中，风险提醒140例如可以不以语音或文字的形式来被提供给车辆120中的乘客或安全员，而只是使得车辆120自动地根据该风险提醒140来调整驾驶策略，以降低车辆120通过路口110的风险。

应当理解，以上示例中所讨论的风险提醒140的内容和形式仅是示意性的，下文中将详细介绍风险提醒140的可能变型，在此暂不详叙。

此外，虽然在示例环境100中示出了服务器130，并且结合服务器130描述了风险提醒140的生成过程，然而，在一些其他实现中，本公开的生成风险提醒的过程也可以由其他适当的设备来执行。例如，可以由具有自动驾驶能力的车辆120中的计算设备来执行该过程，以生成风险提醒140。或者，可以由与车辆120通信的路侧设备170来执行该过程，以生成风险提醒140，并发送至车辆120。

在一些实现中，路口110还可以包括附加的交通元素。例如，环境100中包括位于路口110的交通信号灯150，其可以用于指挥车辆120、非机动车辆或行人在路口110的通行。此外，路口110例如还可以包括用于行人或非机动车通行的人行横道160。附加地，路口110例如还可以包括路侧设备170，其例如可以与车辆120进行通信，或者跟踪车辆120的行驶状态。

以下将结合图2至图5来详细地描述根据本公开实施例的生成路口的风险提醒的过程。图2示出了根据本公开的一些实施例的用于生成路口的风险提醒的过程200的示意图。为便于讨论，参考图1来讨论风险提醒的生成过程。过程200例如可以在图1所示的服务器130处被执行。如上文所讨论的，过程200也可以由其他适当的设备来执行。为了方便描述，以下将以服务器130作为示例来描述过程200。应当理解，过程200还可以包括未示出的框和/或可以省略所示出的框。本公开的范围在此方面不受限制。

如图2所示，在框202，服务器130确定车辆120将行驶通过的路口110。

在一些实现中，服务器130可以根据车辆120的位置来确定车辆120将行驶通过的路口110。以下将参考图3来描述框202的过程，图3示出了根据本公开实施例的确定车辆将行驶通过的路口的示例过程300的流程图。

如图3所示，在框302，服务器130可以获取车辆120的位置。在一些实现中，车辆120例如可以定期地向服务器130上报其位置信息。例如，在出行服务的场景中，提供出行服务器的车辆(例如，出租车或快车等服务车辆)可以定期地向服务器上报其实时的位置信息。

备选地，服务器130也可以从与车辆120相关联的终端设备(例如，驾驶员或乘客的终端设备)接收终端设备的位置，以作为车辆120的位置。在一些实现中，终端设备120例如可以定期地向服务器130上报其位置信息。应当理解，下文中描述的“车辆的位置”可以实际是与车辆相关联的终端设备的位置。

在一些实现中，服务器130例如也可以通过路侧设备170来获取车辆120的位置。示例性地，路侧设备170可以通过路侧定位模块来对车辆120进行实时的定位，并定期地上传车辆120的位置信息。备选地，车辆120例如也可以将位置信息通过v2x等通信方式来发送至路侧设备170，并由路侧设备170将车辆120的位置信息转发至服务器130。

在框304，服务器130可以将位置映射到对应的道路。在一些实现中，服务器130例如可以基于路网信息来将车辆120的位置映射到对应的道路。

在一些实现中，道路例如可以是具有方向的。服务器130可以例基于车辆120的位置变化来确定车辆120的运动方向，从而将车辆120的位置映射到对应的道路。

在框306，服务器130可以基于与道路相关联的路口信息，确定车辆120将行驶通过的路口110。

在一些实现中，服务器130例如可以基于路网信息来确定与道路相关联的路口，以作为车辆120将行驶通过的路口110。

在另一些实现中，服务器130还可以基于路侧设备170来确定车辆120将行驶通过的路口110。例如，被安装在路口110处的路侧设备170可以检测朝路口110行驶的车辆120，并将车辆120的信息发送至服务器130。服务器130可以根据路侧设备170所上传的信息来确定车辆120将行驶通过路口110。

继续参考图2，在框204，服务器130获取与车辆120相关联的驾驶信息，其中驾驶信息包括以下中的至少一项：车辆120的运动信息或与车辆120相关联的驾驶能力信息。

在一些实现中，驾驶信息例如可以包括车辆120的运动信息。运动信息例如可以描述车辆120在预定范围内的行驶状态。示例性地，服务器130例如可以基于车辆120在相对于路口110的预定范围内(例如，200米到250米)的运动速度或运动轨迹，来确定车辆120的运动信息。

例如，服务器130可以根据车辆120或与车辆120相关联的终端设备周期性上传的位置来确定车辆120在这些位置处的车速，进而确定车辆120在该范围内的平均车速、超速程度、平均加速度、车速的方差或加速度的方差等。服务器130可以将上述所确定的参数(平均车速、超速程度、平均加速度、车速的方差或加速度的方差等)中的一项或多项来作为所述车辆120的运动信息。

备选地或附加地，用于确定以上参数的车辆速度也可以是由车辆120、与车辆120相关联的终端设备或者路侧设备170直接上传至服务器130处的。

在另一个示例中，服务器130也可以根据车辆120或与车辆相关联的终端设备周期性上传的位置来确定车辆120的运动轨迹，并根据运动轨迹来确定车辆120在该范围内的变道情况(例如，变道次数)或车辆120将通过路口110的通行方式(例如，是直行还是转弯)。进一步地，服务器130可以将变道情况和/或通行方式确定作为车辆120的运动信息。

备选地或附加地，车辆120的运动信息也可以包括根据车辆120的速度所确定的信息和根据车辆的运动轨迹所确定的信息两者。

在又一些实现中，驾驶信息可以包括与车辆120相关联的驾驶能力信息。如果车辆120是由驾驶员控制，服务器130可以基于驾驶员的驾驶技能来确定与车辆120相关联的驾驶能力信息。

例如，服务器130可以获取驾驶员的获取驾照的时长、累计驾驶里程、在出行服务平台服务的时长、在出行服务平台服务的累计里程、在出行服务平台的乘客反馈、历史违章情况、历史事故情况、驾驶员在当前城市的服务时长、驾驶员在当前城市的服务里程、驾驶员历史通过该路口的次数或其他能够反映驾驶员的驾驶技能的信息。进一步地，服务器130可以基于以上信息来确定与车辆120相关联的驾驶能力信息。例如，服务器130可以基于以上信息来确定关于驾驶员的驾驶能力的等级，以作为与车辆120相关联的驾驶能力信息。例如，1级可以代表优秀的驾驶能力，3级可以代表驾驶员具有一般的驾驶能力。应当理解，具有更优秀驾驶能力的司机在驾驶车辆120通过路口110时可能具有相对较低的风险。

备选地或附加地，服务器130也可以基于驾驶员的驾驶状态来确定与车辆120相关联的驾驶能力信息。例如，服务器130可以获取驾驶员的当天累计服务时长、当天累计驾驶里程、当天累计服务单数、连续驾驶时长、驾驶员在路口的预定范围内是否有危险行为等，并且基于这些信息来确定驾驶员的驾驶状态。例如，服务器130可以根据车辆120所上传的驾驶员图像信息来确定驾驶员是否存在危险驾驶行为，例如，接听手机、双手离开方向盘、视线离开路面、打瞌睡等。

备选地或附加地，在车辆120是由驾驶员控制的情况下，与车辆120相关联的驾驶能力信息也可以包括根据驾驶员的驾驶技能所确定的信息和根据驾驶员的驾驶状态所确定的信息两者。

在又一些实现中，如上文所讨论的，车辆120也可以是由智能驾驶模块控制的智能驾驶车辆(或，自动驾驶车辆)。在这种情况下，服务器130可以基于智能驾驶模块的可靠性来确定与车辆120相关联的驾驶能力信息。

例如，服务器130可以根据智能驾驶车辆的自动驾驶程度来确定对应的可靠性。例如，l4级别的自动驾驶车辆可以相对于l3级别的自动驾驶车辆具有更高的可靠性。

在另一示例中，服务器130可以根据智能驾驶车辆所配置的感测设备的类型来确定可靠性。例如，基于激光雷达、毫米波雷达和图像传感器三者的智能驾驶车辆可以比仅依靠图像传感器来进行车辆控制的智能驾驶车辆具有更高的可靠性。

在又一示例中，服务器130也可以根据智能驾驶车辆的当前控制模式来确定可靠性。例如，在一些控制模式中，智能驾驶车辆在进行决策时所设置的安全阈值相对较低(例如，与障碍物之间的距离，速度或加速度的上限等)，此时智能驾驶车辆的可靠性相对较低。相反，在另一些控制模式中，智能驾驶车辆可能具有更加强的安全约束，此时智能驾驶车辆的可靠性较高。

应当理解，服务器130也可以基于以上中的多项的组合来确定智能驾驶模块的可靠性，并进一步确定与车辆120相关联的驾驶能力信息。

在又一些实现中，为了减少服务器130的计算量，服务器130可以确定路口110属于危险路口的情况下才获取与车辆120相关联的驾驶信息。

具体地，服务器130可以确定路口110的风险级别。在一些实现中，路口110的风险级别例如可以是基于该路口110在预定时间段内发生事故的次数来确定的。备选地，路口的风险级别例如也可以是利用机器学习模型所确定的，这将在下文结合框206详细描述。

在一些实现中，如果路口110的风险级别高于预定的阈值，则服务器130可以确定与车辆120相关联的驾驶信息。例如，如果路口110在预定时间内发生事故的次数超过预定阈值，则服务器130可以确定执行上文所讨论的获取驾驶信息的过程。基于这样的方式，可以避免针对风险较低的路口进行不必要的计算，从而实现风险预警与计算开销之间的平衡。

继续参考图2，在框206，服务器130基于路口110的风险级别和与车辆120相关联的驾驶信息，确定车辆120行驶通过路口110是否存在风险，其中风险级别指示路口发生事故的可能性。

具体地，服务器130首先可以获取路口110的风险级别。在一些实现中，如上文所讨论的，服务器130可以根据路口110在预定时间内发生事故的次数来确定风险级别。

在又一些实现中，服务器130也可以利用机器学习模型来确定路口110的风险级别。以下将参考图4来描述利用机器学习模型来确定路口110的风险级别的过程，图4示出了根据本公开实施例的确定路口的风险级别的过程400的流程图。

如图4所示，在框402，服务器130可以获取路口110的静态特征和动态特征，其中静态特征指示路口110的通行条件，并且动态特征指示路口110在预定时间段内的交通状态。

在一些实现中，服务器130例如可以根据路网数据确定路口110路口的类别，并将类别作为路口110的静态特征。例如，在图1的示例中，服务器130可以确定路口110的类别为十字路口。

在另一些实现中，服务器130还可以确定路口的交通信号灯信息，并将交通信号灯信息作为路口110的静态特征。示例性地，交通信号灯信息可以指示路口110中是否包括交通信号灯。在另一示例中，交通信号灯信息可以指示路口110的交通信号灯150是否包括通行冲突情形，例如，是否同时允许对向车辆的直行和左转。应当理解，在一向车辆直行时将可能与对象车辆的左转发生冲突，这样的交通信号灯设计将提高路口发生事故的风险。在又一示例中，交通信号灯信息也可以指示路口150处与交通信号灯有关的历史违章情况。例如，较高概率的交通信号灯违章可能导致更高的路口风险。

在又一些实现中，服务器130可以确定路口110的人行横道信息，并将人行横道信息作为路口110的静态特征。例如，人行横道信息可以指示路口110是否包括人行横道160、人行横道160的长度、人行横道160允许通行的时间、人行横道160的平均人流量等。

在又一些实现中，服务器130可以确定路口110的连接道路信息，并将连接道路信息作为路口110的静态特征。例如，连接道路信息可以指示路口110所连接的道路数目(例如，在图1的示例中，道路数目为4)。

在又一些实现中，服务器130可以确定路口110的周边环境信息，并将周边环境信息作为路口110的静态特征。例如，周边环境信息可以指示路口110的预定范围内是否存在特定类型的poi(例如，医院、学校、商场、体育场、或车站等)。这些特定类型的poi可能导致更高概率的事故风险。

在一些实现中，服务器130所确定的路口110的静态特征也可以包括以上讨论的多项示例静态特征的组合。例如，静态特征可以包括路口的类别、路口的类别、路口的交通信号灯信息、路口的人行横道信息、路口的连接道路信息和路口的周边环境信息中的多项。

在一些实现中，服务器130还可以获取在预定时间段内通过路口110的一组车辆的历史行驶数据。示例性地，服务器130可以获取在过去一个月内通过路口110的全部车辆的历史行驶数据。这样的历史行驶数据例如可以包括由这些车辆或与车辆相关联的终端设备所周期性地上传的位置信息。

附加地，服务器130可以基于历史行驶数据，确定路口110的动态特征。在一些示例中，服务器130可以根据历史行驶数据确定该组车辆通过路口110的行驶方向分布，并将其作为动态特征。例如，行驶方向分布可以指示在该组车辆中30％的车辆是拐弯，70％的车辆是执行。

在另一些示例中，服务器130还可以基于历史行驶数据确定该组车辆的车流密度，并将其作为动态特征。例如，服务器130可以确定在过去一个月中平均1小时通过路口110的车辆的数目。

在又一些示例中，服务器130还可以基于历史行驶数据确定该组车辆的车辆平均速度，并将其作为动态特征。例如，服务器130可以确定在过去一个月中该组车辆在该路口110的预定范围内的平均速度。

在又一些示例中，服务器130还可以基于历史行驶数据确定该组车辆的车辆速度方差，并将其作为动态特征。例如，服务器130可以确定每辆车辆在路口110的预定范围内的车速方差。并将该组车辆的车速方差平均值确定作为动态特征。

在又一些实现中，服务器130还可以基于历史行驶数据确定该组车辆的车辆超速分布，并将其作为动态特征。例如，服务器130可以确定该组车辆在路口110的预定范围内的超速车辆的占比。

在一些实现中，服务器130所确定的路口110的动态特征也可以包括以上讨论的多项示例动态特征的组合。例如，动态特征可以包括车辆通过路口的行驶方向分布、车流密度、车辆平均速度、车辆速度方差或车辆超速分布中的多项。

在框404，服务器130可以将静态特征和动态特征应用于事故预测模型，以确定路口110发生事故的概率，其中事故预测模型是基于与一组历史事故路口相关联的数据而训练的。

在一些实现中，事故预测模型例如可以是根据发生过事故的历史事故路口的相关静态特征和动态特征所训练的。应当理解，事故预测模型可以是任何适当的机器学习模型，其示例包括但不限于gbdt(gradientboostingdecisiontrees)模型、卷积学习模型(cnn)等。此外，应当理解，可以由与服务器130不同的设备来训练事故预测模型。

在一些实现中，历史事故路口可以是由人工标注的。备选地，为了降低人工标注的成本，历史事故路口也可以是基于历史事故的轨迹信息所自动地确定的。关于历史事故路口的自动确定过程将在下文结合图5详细描述，在此暂不详叙。

在训练过程中，用于训练事故预测模型的训练设备可以将历史事故路口的相关静态特征和动态特征经过适当的编码(例如，one-hot编码)，并输入到待训练的事故预测模型。在训练过程中，训练设备可以迭代地调整事故预测模型的参数以使得事故预测模型的输出接近于对应的路口是否发生事故的真值。

在一些实现中，服务器130可以获取经训练的事故预测模型，并将路口110的静态特征和动态特征输入到经训练的事故预测模型，以确定路口110发生事故的概率。

在框406，服务器130可以基于路口110发生事故的概率来确定路口的风险级别。在一些实现中，服务器130可以将该概率直接确定为路口110的风险级别。

在又一些实现中，服务器130也可以根据路口110发生事故的概率来将路口110划分为高危路口或普通路口，以指示路口110的风险级别。示例性地，服务器130可以将概率大于预定阈值的路口确定为高危路口。备选地，服务器130也可以经全部路口中概率值较高的预定比例的路口确定为高危路口。例如，服务器130可以将概率值最高的1％的路口确定为高危路口。

在确定路口110的风险级别后，服务器130基于路口110的风险级别和与车辆120相关联的驾驶信息来确定车辆120行驶通过路口110是否存在风险。

在一些实现中，服务器130可以将路口110的风险级别和与车辆120相关联的驾驶信息与预定的危险驾驶条件相比较，以确定预定的危险驾驶条件是否被满足。附加地，危险驾驶条件例如可以基于发生过历史事故的历史事故路口的风险级别和与历史事故相关联的历史驾驶信息所生成。如果风险级别与驾驶信息满足预定的危险驾驶条件，则服务器130可以确定车辆120行驶通过路口110存在风险。

在一些实现中，服务器130例如可以利用决策树模型来生成预定的危险驾驶条件。具体地，服务器130例如可以获取与多个历史事故相关联的事故路口的风险级别，该风险级别例如可以是基于上文所讨论的事故预测模型所确定的。

服务器130还可以获取与历史事故相关联的历史驾驶信息。与上文所讨论的与车辆120相关联的驾驶信息类似，这样的历史驾驶信息也可以包括发生事故的事故车辆在预定范围内的运动信息或与事故车辆相关联的驾驶能力信息。

服务器130随后可以将事故路口的风险级别和与历史事故相关联的历史驾驶信息输出到决策树模型，从而生成这些特征的取值范围将导致路口发生事故的概率。例如，决策树模型可以输出：如果{路口的风险级别大于0.7}且{车辆超速大于30％}，发生路口事故的概率为70％。作为另一示例，决策树模型例如可以输出：如果{路口的风险级别大于0.8}且{车辆的速度方差大于30}且{司机存在危险驾驶行为}，发生路口事故的概率为80％。

在一些实现中，决策树模型的层数例如小于预定的阈值，以使得决策树模型输出的危险驾驶条件中将不涉及超过阈值数目的特征。

在一些实现中，服务器130可以将决策树模型输出的概率超过预定阈值的驾驶条件确定作为预定的危险驾驶条件，以用于确定车辆120通过路口110时是否存在风险。基于这样的方式，本公开的实施例可以考虑不同路口的特性或者不同驾驶情况的特性，从而可以准确地判断车辆通过路口110是否存在风险。

如果在框206确定车辆120行驶通过路口110不存在风险，则服务器130例如可以不生成提醒(图中未示出)。应当理解，“不存在风险”不表示车辆120的行驶客观上完全不存在风险，而是指示服务器130确定风险性相对较低。相反，如果在框206确定车辆120行驶通过路口110可能存在风险，则方法200进行到框208。

在框208，如果确定车辆120行驶通过路口110存在风险，则服务器130生成针对路口110的风险提醒140。

在一些实现中，服务器130例如可以向车辆120或车辆120的驾驶者发送风险提醒140，以使得风险提醒140被提供给车辆120的驾驶者，从而提醒关于路口110的风险。示例性地，风险提醒140可以包括文本提醒，例如通过车辆120内的显示屏或与车辆120的驾驶者相关联的终端设备的显示屏所呈现的文本信息。备选地，风险提醒140可以包括语音提醒，例如通过车辆120或与车辆120的驾驶者相关联的终端设备来播报语音提醒。

备选地，风险提醒140也可以包括图像提醒，例如，通过车辆120内的显示屏或与车辆120的驾驶者相关联的终端设备的显示屏所呈现的图像信息。备选地，风险提醒140还可以包括视频提醒，例如，通过车辆120内的显示屏或与车辆120的驾驶者相关联的终端设备的显示屏所呈现的视频信息。

在一些实现中，风险提醒140可以包括指示路口110的静态特征的信息。例如，风险提醒140可以包括文本，以指示路口110为“十字路口”。

在又一些实现中，风险提醒140包括如何调整驾驶行为的指示，其中该指示是基于预定的危险驾驶条件所确定的。示例性地，在服务器130确定是由于满足危险驾驶条件{车辆超速大于30％}而导致车辆120通过路口110存在风险的情况下，服务器130所生成的风险提醒140可以包括提醒驾驶员进行减速的文本、音频、图像或视频。

在一些实现中，如上文所讨论的，车辆120也可以是没有驾驶员的智能驾驶车辆。在这种情况下，服务器130可以向车辆120发送风险提醒140，以使得车辆120能够基于风险提醒来调整车辆120的驾驶行为。示例性地，在服务器130确定是由于满足危险驾驶条件{车辆超速大于30％}而导致车辆120通过路口110存在风险的情况下，服务器130所生成的风险提醒140可以使得车辆120自动地降低行驶速度。

基于上文所讨论的方法，本公开的实施例能够基于路口的特性和驾驶的特性来及时地预测以当前的驾驶行为通过前方路口时是否存在风险，并有效地向车辆提供风险提醒。基于这样的方式，可以有效地考虑不同路口之间的区别和/或不同驾驶行为的区别，从而提高车辆通过路口的安全性，降低事故发生的概率。

如上文所讨论的，历史事故路口能够被用于事故预测模型的训练以及决策树模型的训练。在一些实现中，为了降低标注历史事故路口的人工成本和时间成本，本公开的实现还可以基于历史事故的轨迹来自动地挖掘历史事故路口。

以下将参考图5来描述确定历史事故路口的过程，图5示出了根据本公开实施例的确定历史事故路口的示例过程500的流程图。应当理解，过程500可以由任何适当的设备来执行，为了方便描述，以下将以服务器130作为示例来进行描述。

如图5所示，在框502，服务器130可以获取与历史事故相关联的轨迹。在一些实现中，对于出行服务的场景，服务器130可以根据出行服务车辆所上报的事故来获取对应的轨迹。如上文所讨论的，这样轨迹可以表示由车辆或与车辆相关联的终端设备所周期性上传的一组位置。

在框504，服务器130可以确定轨迹中的异常停留位置。具体地，服务器130可以确定该轨迹所对应的一组位置中、在预定时间内移动距离小于阈值距离的位置，以作为异常停留位置。示例性地，服务器130可以确定在3分钟内，车辆移动小于阈值距离，例如，100m。在这种情况下，服务器130可以将该位置确定为发生事故的位置，也即异常停留位置。

在框506，服务器130可以确定异常停留位置与相邻的候选路口的距离是否小于预定阈值。如果在框506确定距离大于或等于预定阈值，则服务器130可以确定该路口是非事故路口(图中未示出)。

相反，在框506确定距离小于预定阈值，则过程500进行到框508。在框508，服务器130将候选路口确定为一组历史事故路口中的历史事故路口。

基于这样的方式，本公开的实施例可以利用发生事故的历史轨迹来自动地确定发生在路口附近的事故，从而挖掘出发生过事故的历史事故路口。这能够极大地降低标注事故路口的人力成本和时间成本。

图6示出了根据本公开的某些实施例的用于路口风险预警的装置600的示意性结构框图。装置600可以被实现为或者被包括在服务器130或者实施本公开的用于路口风险预警过程的其他设备中。

如图6所示，装置600包括路口确定模块610，被配置为确定车辆将行驶通过的路口。装置600还包括驾驶信息获取模块620，被配置为获取与车辆相关联的驾驶信息，驾驶信息包括以下中的至少一项：车辆的运动信息或与车辆相关联的驾驶能力信息。装置600还包括风险确定模块630，被配置为基于路口的风险级别和驾驶信息，确定车辆行驶通过路口是否存在风险，风险级别指示路口发生事故的可能性。此外，装置600还包括风险提醒模块640，被配置为如果确定车辆行驶通过路口存在风险，则生成针对路口的风险提醒。

在一些实现中，路口确定模块610包括：位置获取模块，被配置为获取车辆的位置；映射模块，被配置为将位置映射到对应的道路；以及路口关联模块，被配置为基于与道路相关联的路口信息，确定车辆将行驶通过的路口。

在一些实现中，驾驶信息包括车辆的运动信息，并且驾驶信息获取模块620包括：运动信息确定模块，被配置为基于车辆在相对于路口的预定范围内的运动速度或运动轨迹，确定车辆的运动信息。

在一些实现中，驾驶信息包括与车辆相关联的驾驶能力信息，并且车辆由驾驶员控制，并且驾驶信息获取模块620包括：第一能力确定模块，被配置为基于驾驶员的驾驶技能和驾驶员的驾驶状态中的至少一项，确定与车辆相关联的驾驶能力信息。

在一些实现中，驾驶信息包括与车辆相关联的驾驶能力信息，并且车辆由智能驾驶模块控制，并且驾驶信息获取模块620包括：第二能力确定模块，被配置为基于智能驾驶模块的可靠性，确定驾驶能力信息。

在一些实现中，驾驶信息确定模块620包括：第一风险级别确定模块，被配置为确定路口的风险级别；以及信息获取模块，被配置为如果风险级别高于预定的阈值，则确定驾驶信息。

在一些实现中，装置600还包括：特征获取模块，被配置为获取路口的静态特征和动态特征，静态特征指示路口的通行条件，动态特征指示路口在预定时间段内的交通状态；模型处理模块，被配置为将静态特征和动态特征应用于事故预测模型，以确定路口发生事故的概率，其中事故预测模型是基于与一组历史事故路口相关联的数据而训练的；以及第二风险级别确定模块，被配置为基于路口发生事故的概率，确定路口的风险级别。

在一些实现中，静态特征包括以下中的至少一项：路口的类别，路口的交通信号灯信息，路口的人行横道信息，路口的连接道路信息，或路口的周边环境信息。

在一些实现中，特征获取模块包括：历史数据获取模块，被配置为获取在预定时间段内通过路口的一组车辆的历史行驶数据；以及特征确定模块，被配置为基于历史行驶数据，确定路口的动态特征，动态特征包括以下中的至少一项：车辆通过路口的行驶方向分布、车流密度、车辆平均速度、车辆速度方差或车辆超速分布。

在一些实现中，装置600还包括：轨迹获取模块，被配置为获取与历史事故相关联的轨迹；异常位置确定模块，被配置为确定轨迹中的异常停留位置；以及历史事故确定模块，被配置为如果异常停留位置与相邻的候选路口的距离小于预定阈值，则将候选路口确定为一组历史事故路口中的历史事故路口。

在一些实现中，风险确定模块630包括：匹配模块，被配置为确定路口的风险级别和驾驶信息是否满足预定的危险驾驶条件，预定的危险驾驶条件是基于历史事故路口的风险级别和与历史事故相关联的历史驾驶信息所生成的；以及风险判断模块，被配置为如果风险级别与驾驶信息满足预定的危险驾驶条件，则确定车辆行驶通过路口存在风险。

在一些实现中，风险提醒包括如何调整驾驶行为的指示，指示是基于预定的危险驾驶条件所确定的。

在一些实现中，风险提醒包括以下中的至少一项：文本提醒，语音提醒，图像提醒，或视频提醒。

在一些实现中，车辆为智能驾驶车辆，并且风险提醒使得车辆基于风险提醒来调整车辆的驾驶行为。

图7示出了示出了其中可以实施本公开的一个或多个实施例的电子设备700的框图。应当理解，图7所示出的电子设备700仅仅是示例性的，而不应当构成对本文所描述的实施例的功能和范围的任何限制。图7所示出的电子设备700可以被包括在或被实现为图1的服务器130或实施本公开的用于路口风险预警过程的其他设备。

如图7所示，电子设备700是通用计算设备的形式。电子设备700也可以是任何类型的计算设备或服务器。电子设备700的组件可以包括但不限于一个或多个处理器或处理单元710、存储器720、存储设备730、一个或多个通信单元740、一个或多个输入设备750以及一个或多个输出设备760。处理单元710可以是实际或虚拟处理器并且能够根据存储器720中存储的程序来执行各种处理。在多处理器系统中，多个处理单元并行执行计算机可执行指令，以提高电子设备700的并行处理能力。

电子设备700通常包括多个计算机存储介质。这样的介质可以是电子设备700可访问的任何可以获得的介质，包括但不限于易失性和非易失性介质、可拆卸和不可拆卸介质。存储器720可以是易失性存储器(例如寄存器、高速缓存、随机访问存储器(ram))、非易失性存储器(例如，只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、闪存)或它们的某种组合。存储设备730可以是可拆卸或不可拆卸的介质，并且可以包括机器可读介质，诸如闪存驱动、磁盘或者任何其他介质，其可以能够用于存储信息和/或数据(例如地图数据)并且可以在电子设备700内被访问。

电子设备700可以进一步包括另外的可拆卸/不可拆卸、易失性/非易失性存储介质。尽管未在图7中示出，可以提供用于从可拆卸、非易失性磁盘(例如“软盘”)进行读取或写入的磁盘驱动和用于从可拆卸、非易失性光盘进行读取或写入的光盘驱动。在这些情况中，每个驱动可以由一个或多个数据介质接口被连接至总线(未示出)。存储器720可以包括计算机程序产品725，其具有一个或多个程序模块，这些程序模块被配置为执行本公开的各种实施例的各种方法或动作。

通信单元740实现通过通信介质与其他计算设备进行通信。附加地，电子设备700的组件的功能可以以单个计算集群或多个计算机器来实现，这些计算机器能够通过通信连接进行通信。因此，电子设备700可以使用与一个或多个其他服务器、网络个人计算机(pc)或者另一个网络节点的逻辑连接来在联网环境中进行操作。

输入设备750可以是一个或多个输入设备，例如鼠标、键盘、追踪球等。输出设备760可以是一个或多个输出设备，例如显示器、扬声器、打印机等。电子设备700还可以根据需要通过通信单元740与一个或多个外部设备(未示出)进行通信，外部设备诸如存储设备、显示设备等，与一个或多个使得用户与电子设备700交互的设备进行通信，或者与使得电子设备700与一个或多个其他计算设备通信的任何设备(例如，网卡、调制解调器等)进行通信。这样的通信可以经由输入/输出(i/o)接口(未示出)来执行。

根据本公开的示例性实现方式，提供了一种计算机可读存储介质，其上存储有计算机可执行指令或程序，其中计算机可执行指令或程序被处理器执行以实现上文描述的方法或功能。计算机可读存储介质可以包括非瞬态计算机可读介质。根据本公开的示例性实现方式，还提供了一种计算机程序产品，包括计算机可执行指令或程序，而计算机可执行指令或程序被处理器执行以实现上文描述的方法或功能。该计算机程序产品可以被有形地体现在非瞬态计算机可读介质上。

这里参照根据本公开实现的方法、装置、设备和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可执行指令或程序实现。

这些计算机可执行指令或程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可执行指令或程序存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

可以把计算机可执行指令或程序加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实现的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实现，上述说明是示例性的，并非穷尽性的，并且也不限于所公开的各实现。在不偏离所说明的各实现的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实现的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文公开的各个实现方式。